Digital Display Precision Predictor: the prototype of a global biomarker model to guide treatments with targeted therapy and predict progression-free survival
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The expanding targeted therapy landscape requires combinatorial biomarkers for patient stratification and treatment selection. This requires simultaneous exploration of multiple genes of relevant networks to account for the complexity of mechanisms that govern drug sensitivity and predict clinical outcomes. We present the algorithm, Digital Display Precision Predictor (DDPP), aiming to identify transcriptomic predictors of treatment outcome. For example, 17 and 13 key genes were derived from the literature by their association with MTOR and angiogenesis pathways, respectively, and their expression in tumor versus normal tissues was associated with the progression-free survival (PFS) of patients treated with everolimus or axitinib (respectively) using DDPP. A specific eight-gene set best correlated with PFS in six patients treated with everolimus: AKT2, TSC1, FKB-12, TSC2, RPTOR, RHEB, PIK3CA, and PIK3CB (r = 0.99, p = 5.67E-05). A two-gene set best correlated with PFS in five patients treated with axitinib: KIT and KITLG (r = 0.99, p = 4.68E-04). Leave-one-out experiments demonstrated significant concordance between observed and DDPP-predicted PFS (r = 0.9, p = 0.015) for patients treated with everolimus. Notwithstanding the small cohort and pending further prospective validation, the prototype of DDPP offers the potential to transform patients' treatment selection with a tumor- and treatment-agnostic predictor of outcomes (duration of PFS).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle